加纳语言青少年健康沟通自动语音识别（ASR）基准测试与领域适配

本文对三种加纳语言（Twi、Dagbani 和 Ewe）中的青少年健康沟通自动语音识别（ASR）开展了一项端到端研究。研究分为三个相互衔接的阶段：第一阶段，我们在通用领域《圣经》语料库和青少年性健康与生殖健康（ASRH）领域 ASR 数据集上，使用字符错误率和词错误率（CER、WER）对五个 ASR 系统进行了基准测试，其中包括三个特定语言的 Wav2Vec2 模型以及两个多模态大语言模型 Gemma 3n 和 Gemma 4。第二阶段，在基准测试结果的指导下，我们开展了有监督的领域适配：尽管 Gemma 4 是零样本条件下表现最强的候选模型，但对其进行微调在计算上不可行，因此我们转而采用轻量级的 Qwen3-ASR-0.6B，使用大型加纳《圣经》语料库（约 9 万个样本）进行微调，并严格在留出的人工采集领域内音频上进行评估。微调后，所有语言的 WER 均有所降低，其中 Ewe 的改善最为显著（WER 从 109.3% 降至 64.8%，下降 44.5 个百分点；CER 从 65.1% 降至 24.9%）。第三阶段，我们通过 KasaHealth 对研究进行验证：KasaHealth 是一款以语音为先、以三种语言部署的实时 ASRH 应用，并配套使用 Senti-Check 这一技术评估工具。KasaHealth 经 50 名社区受访者测试后，聊天认可率达到 100%，翻译获评“良好”或“优秀”的比例为 72%，愿意推荐的比例为 92%；与此同时，测试还揭示了最限制其实际应用的领域差距。贯穿三个阶段的证据一致表明：对于这些语言而言，制约因素是经过验证的领域内数据，而不是模型能力或计算资源。